本文提出了一个 WEb-image assisted Domain GEneralization(WEDGE) 方案，利用网络爬取的数据集进行语义分割的域泛化，将网络爬取的数据代表的样式表达引入源域，通过有效训练使网络经历不同风格的图像，通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力，并通过广泛的实验表明，该方法明显优于现有的域泛化技术。

Sep, 2021

该研究提出两种新的神经网络框架（DAFormer和HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

Apr, 2023

本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过Augmentation Layer增强CNN的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在PACS、VLCS、Office-Home和TerraIncognita等数据集上表现优异。

May, 2023

本文提出了一种基于随机图像颜色增强和特征空间分布增强的域通用语义分割方法，通过对图像或特征进行性质适应性调整来增广数据集，从而提高模型的泛化性能。实验结果表明，该方法在现有方法中表现最佳。

Jul, 2023

通过利用语言作为随机化的源，在语义分割网络中引入简单的框架来实现泛化。通过最小化微调、语言驱动的局部样式增强和在训练过程中混合源和增强样式的随机化三个关键要素，我们进行了大量实验，在各种泛化基准测试中取得了最先进的结果。

Nov, 2023

通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。

Dec, 2023

本研究提出了一种基于视觉-语言模型的视觉语义分割方法，通过在源领域进行训练并在未见目标领域进行评估，提高了领域通用性。实验证明，该方法在域通用分割中的性能优于传统的视觉训练方法，取得了7.6% mIoU的提升。同时，在主流数据集上取得了76.48% mIoU的性能，超过了此前最优方法6.9% mIoU的水平。还表明该方法在领域内具有强大的泛化能力，并在当前排行榜上与最优方法并列第一。

Dec, 2023

通过引入 SEmantic-aware Token Augmentation (SETA) 方法，并结合两种现有样式增强方法，我们在多个视觉转换器(ViT)和多层感知器(MLP)架构上实现了同类方法中表现最佳的跨域泛化性能。

Mar, 2024

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在GTA->Cityscapes数据集上达到了显著的UDA性能，mIoU为76.93%，比先前最先进结果改善了1.03个百分点。

Apr, 2024

在计算机视觉领域，研究通过视觉基础模型和无监督域自适应方法在语义分割任务中的结合对提升无监督域自适应性能和增强视觉基础模型外分布泛化能力具有重要价值。实验结果表明，将视觉基础模型与无监督域自适应方法相结合，不仅能在维持视觉基础模型外分布性能的同时提升无监督域自适应性能，还可以减少耗时的组件，大幅提升推理速度，并取得了远超现有状态的良好表现。

Jun, 2024